{"id":559,"date":"2026-07-22T08:17:36","date_gmt":"2026-07-22T08:17:36","guid":{"rendered":"https:\/\/matforge.org\/?p=559","raw":"https:\/\/matforge.org\/?p=559"},"modified":"2026-07-22T08:17:36","modified_gmt":"2026-07-22T08:17:36","slug":"verification-vs-validation-in-scientific-simulations-a-practical-guide","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/","title":{"rendered":"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica","raw":"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Necesita saber dos cosas diferentes sobre una simulaci\u00f3n: si el c\u00f3digo resuelve las ecuaciones correctamente y si el modelo es lo suficientemente preciso para el problema del mundo real. La primera pregunta es la verificaci\u00f3n. La segunda pregunta es la validaci\u00f3n.<\/p>\n<p>Pero eso no es suficiente. Tambi\u00e9n debe comprender cu\u00e1nto puede confiar en los n\u00fameros que produce su simulaci\u00f3n. Ah\u00ed es donde la cuantificaci\u00f3n de incertidumbre entra en el flujo de trabajo.<\/p>\n<p>Esta gu\u00eda explica el marco VVUQ completo: verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de incertidumbre. Tambi\u00e9n incluye ejemplos pr\u00e1cticos de Python y Fipy que pueden ayudarlo a aplicar estas ideas en su propio trabajo de simulaci\u00f3n.<\/p>\n<h2 id=\"key-takeaways\">Comida clave<\/h2>\n<ul>\n<li>La verificaci\u00f3n responde a la pregunta: \u00bfResolvimos bien las ecuaciones? Comprueba la correcci\u00f3n del c\u00f3digo, la precisi\u00f3n num\u00e9rica y los errores de implementaci\u00f3n.<\/li>\n<li>La validaci\u00f3n responde a la pregunta: \u00bfResolvimos las ecuaciones correctas? Compara la salida de simulaci\u00f3n con datos experimentales, datos de referencia o resultados de referencia confiables.<\/li>\n<li>La cuantificaci\u00f3n de la incertidumbre responde a la pregunta: \u00bfCu\u00e1nto podemos confiar en estos resultados? Propaga incertidumbres de entrada a trav\u00e9s del modelo e informa l\u00edmites de confianza en las predicciones.<\/li>\n<li>UQ a menudo se menciona en las discusiones de V&amp;V, pero rara vez se implementa con ejemplos pr\u00e1cticos de Python. Esta gu\u00eda da puntos de partida concretos.<\/li>\n<li>La cartera de est\u00e1ndares ASME VVUQ proporciona una estructura ampliamente adoptada para los flujos de trabajo de VVUQ en todas las disciplinas computacionales.<\/li>\n<\/ul>\n<h2>Verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de la incertidumbre: por qu\u00e9 pertenecen juntos<\/h2>\n<p>Si alguna vez ha ejecutado una simulaci\u00f3n y le pregunt\u00f3 si puede confiar en los resultados, ya se encontr\u00f3 con el problema que aborda VVUQ.<\/p>\n<p>La verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre no son tareas separadas que complete de forma independiente. Forman una canalizaci\u00f3n de credibilidad:<\/p>\n<ol>\n<li>La verificaci\u00f3n demuestra que el c\u00f3digo es matem\u00e1tica y computacionalmente correcto.<\/li>\n<li>La validaci\u00f3n comprueba si el modelo representa el sistema real lo suficientemente bien para el uso previsto.<\/li>\n<li>La cuantificaci\u00f3n de la incertidumbre te dice qu\u00e9 tan seguro puedes estar en las predicciones.<\/li>\n<\/ol>\n<p>El marco ASME VVUQ formaliza esta canalizaci\u00f3n en un flujo de trabajo estructurado que se utiliza en mec\u00e1nica de s\u00f3lidos computacional, din\u00e1mica de fluidos, dispositivos m\u00e9dicos y otros campos pesados de simulaci\u00f3n. <a href=\"https:\/\/www.asme.org\/codes-standards\/publications-information\/verification-validation-uncertainty\">asme vvuq<\/a><\/p>\n<p>La distinci\u00f3n entre verificaci\u00f3n y validaci\u00f3n a menudo se resume a trav\u00e9s de dos preguntas.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Pregunta<\/th>\n<th>Lo que significa<\/th>\n<th>lo que est\u00e1s comprobando<\/th>\n<\/tr>\n<tr>\n<td>\u00bfEstamos resolviendo bien las ecuaciones?<\/td>\n<td>Verificaci\u00f3n<\/td>\n<td>Errores de codificaci\u00f3n, errores num\u00e9ricos y errores de discretizaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>\u00bfEstamos resolviendo las ecuaciones correctas?<\/td>\n<td>Validaci\u00f3n<\/td>\n<td>Precisi\u00f3n del modelo f\u00edsico, condiciones de contorno y suposiciones<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La tercera pregunta es: \u00bfQu\u00e9 tan seguros podemos tener? Ah\u00ed es donde la cuantificaci\u00f3n de la incertidumbre entra en el proceso.<\/p>\n<p>Una simulaci\u00f3n se puede verificar y validar, pero a\u00fan as\u00ed producir predicciones con amplios intervalos de incertidumbre. Si esos intervalos son demasiado amplios, es posible que el resultado no sea \u00fatil para el dise\u00f1o, la regulaci\u00f3n o la toma de decisiones.<\/p>\n<h2>1. Verificaci\u00f3n: Demostrar que su c\u00f3digo es correcto<\/h2>\n<p>La verificaci\u00f3n es matem\u00e1tica y computacional. No prueba el mundo real directamente. En cambio, asume que las ecuaciones de gobierno son correctas y pregunta si el programa inform\u00e1tico las resuelve sin errores num\u00e9ricos o de implementaci\u00f3n.<\/p>\n<p>Hay dos aspectos principales de la verificaci\u00f3n: verificaci\u00f3n de c\u00f3digo y orden de prueba de precisi\u00f3n.<\/p>\n<h3>Verificaci\u00f3n de c\u00f3digo: \u00bfLa implementaci\u00f3n coincidi\u00f3 con las matem\u00e1ticas?<\/h3>\n<p>La verificaci\u00f3n de c\u00f3digo demuestra que el solucionador implementa correctamente el modelo matem\u00e1tico. Dos m\u00e9todos ampliamente utilizados son el m\u00e9todo de soluciones fabricadas y el orden de las pruebas de precisi\u00f3n.<\/p>\n<h4>M\u00e9todo de soluciones manufacturadas<\/h4>\n<p>El m\u00e9todo de soluciones manufacturadas es una de las herramientas m\u00e1s s\u00f3lidas para la verificaci\u00f3n de c\u00f3digo en la ciencia computacional. Funciona creando una soluci\u00f3n anal\u00edtica conocida, calculando el t\u00e9rmino fuente requerido y luego verificando si el c\u00f3digo reproduce esa soluci\u00f3n.<\/p>\n<p>El procedimiento es:<\/p>\n<ol>\n<li>Elija una soluci\u00f3n anal\u00edtica suave, como <code>u_m = sin(x) * cos(y) * exp(-t)<\/code>.<\/li>\n<li>Sustituya la soluci\u00f3n manufacturada en el operador de PDE para calcular el t\u00e9rmino fuente requerido.<\/li>\n<li>Ejecute la simulaci\u00f3n con el t\u00e9rmino fuente manufacturado y el l\u00edmite o las condiciones iniciales coincidentes.<\/li>\n<li>Compare la soluci\u00f3n num\u00e9rica con la soluci\u00f3n fabricada exacta.<\/li>\n<li>Ejecute estudios de refinamiento de malla para verificar que el orden de convergencia observado coincida con el orden te\u00f3rico.<\/li>\n<\/ol>\n<p>Aqu\u00ed hay un ejemplo simplificado de estilo fipy para un problema de difusi\u00f3n transitoria:<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom fipy import Grid2D, CellVariable, TransientTerm, DiffusionTerm\n\n# Manufactured solution:\n# u(x, y, t) = sin(pi*x) * sin(pi*y) * exp(-2*pi^2*t)\n\nnx, ny = 32, 32\nLx, Ly = 1.0, 1.0\n\ndx = Lx \/ nx\ndy = Ly \/ ny\n\nmesh = Grid2D(nx=nx, ny=ny, dx=dx, dy=dy)\n\nx, y = mesh.cellCenters\n\nu = CellVariable(name=\"u\", mesh=mesh, hasOld=True)\n\ndef exact_solution(t):\n    return np.sin(np.pi * x) * np.sin(np.pi * y) * np.exp(-2 * np.pi**2 * t)\n\n# Initial condition\nu.setValue(exact_solution(0.0))\n\n# For this manufactured solution and diffusion coefficient 1:\n# du\/dt = Laplacian(u), so the source term is zero.\nsource = CellVariable(name=\"source\", mesh=mesh, value=0.0)\n\neq = TransientTerm(var=u) == DiffusionTerm(coeff=1.0, var=u) + source\n\ndt = 0.001\nnt = 100\n\nfor step in range(nt):\n    u.updateOld()\n    eq.solve(var=u, dt=dt)\n\nt_final = dt * nt\nexact = exact_solution(t_final)\n\nl2_error = np.sqrt(np.mean((u.value - exact) ** 2))\n\nprint(f\"L2 error at t={t_final:.3f}: {l2_error:.6e}\")\n<\/code><\/pre>\n<p>Si reduce a la mitad el tama\u00f1o de la malla y el error se reduce en aproximadamente un factor de cuatro, un esquema de segundo orden se est\u00e1 comportando como se esperaba. Si no lo hace, la implementaci\u00f3n puede contener un error o el tratamiento de l\u00edmites puede reducir el orden observado.<\/p>\n<h4>Orden de prueba de precisi\u00f3n<\/h4>\n<p>El orden de las pruebas de precisi\u00f3n verifica que el c\u00f3digo alcance la tasa de convergencia esperada bajo el refinamiento de la malla.<\/p>\n<p>Para un esquema de volumen finito de segundo orden, la reducci\u00f3n a la mitad del espaciado de malla deber\u00eda reducir el error en aproximadamente un factor de cuatro.<\/p>\n<p>El procedimiento es:<\/p>\n<ol>\n<li>Elija un problema con una soluci\u00f3n exacta conocida, ya sea de MMS o de una referencia de libro de texto.<\/li>\n<li>Resuelva el problema en una secuencia de mallas refinadas, como 32\u00d732, 64\u00d764 y 128\u00d7128.<\/li>\n<li>Calcule una norma de error en cada nivel de refinamiento, como L1, L2 o L\u221e.<\/li>\n<li>Error de trazado frente al tama\u00f1o de la malla en un gr\u00e1fico logar\u00edtmico.<\/li>\n<li>Calcule el orden observado con <code>order = log(e_coarse \/ e_fine) \/ log(h_coarse \/ h_fine)<\/code>.<\/li>\n<li>Verifique que el orden observado coincida con el orden de discretizaci\u00f3n te\u00f3rica dentro de una tolerancia razonable.<\/li>\n<\/ol>\n<p>Este es un requisito m\u00ednimo para cualquier c\u00f3digo PDE que reclame la correcci\u00f3n num\u00e9rica. Sin \u00e9l, las estimaciones de errores y las conclusiones de la convergencia de malla son d\u00e9biles.<\/p>\n<h4>Advertencia importante sobre la comparaci\u00f3n de c\u00f3digos cruzados<\/h4>\n<p>La comparaci\u00f3n de dos c\u00f3digos diferentes puede ser \u00fatil como control de cordura, pero no sustituye a la verificaci\u00f3n frente a soluciones anal\u00edticas o manufacturadas.<\/p>\n<p>Dos c\u00f3digos pueden estar de acuerdo y seguir siendo err\u00f3neos si ambos comparten el mismo error sistem\u00e1tico. La comparaci\u00f3n de c\u00f3digos cruzados debe utilizarse como una verificaci\u00f3n suplementaria despu\u00e9s de una prueba de pedido o MMS adecuada.<\/p>\n<h2>2. Validaci\u00f3n: comparar simulaciones con la realidad<\/h2>\n<p>La validaci\u00f3n eval\u00faa si el modelo de simulaci\u00f3n es lo suficientemente preciso para su uso previsto. Lo hace comparando predicciones con datos experimentales independientes, datos de referencia o resultados de referencia confiables.<\/p>\n<p>Una regla clave es que la calibraci\u00f3n y la validaci\u00f3n deben estar separadas. Calibration adjusts model parameters to match data. La validaci\u00f3n prueba el poder predictivo de los datos independientes. El uso del mismo conjunto de datos para ambos crea confianza artificial.<\/p>\n<h3>Problemas de referencia como objetivos de validaci\u00f3n<\/h3>\n<p>Los problemas de referencia son casos de prueba estandarizados con datos de referencia experimentales o de alta fidelidad bien caracterizados. Proporcionan objetivos de validaci\u00f3n objetiva.<\/p>\n<p>Las categor\u00edas comunes de referencia incluyen:<\/p>\n<ul>\n<li>Din\u00e1mica de fluidos, como el flujo m\u00e1s all\u00e1 de un cilindro o flujo de cavidad impulsado por la tapa.<\/li>\n<li>Ecuaciones de transporte, como la advecci\u00f3n-difusi\u00f3n 1D con un comportamiento anal\u00edtico conocido.<\/li>\n<li>Los modelos de campo de fase, como los patrones de Allen-Cahn o Cahn-Hilliard en comparaci\u00f3n con el comportamiento de referencia.<\/li>\n<li>Sistemas de reacci\u00f3n de difusi\u00f3n, como la validaci\u00f3n de la velocidad de la onda Fisher-Kpp.<\/li>\n<\/ul>\n<p>Para el modelado de materiales computacionales y el aprendizaje autom\u00e1tico basado en PDE, los conjuntos de datos de referencia como <a href=\"https:\/\/github.com\/pdebench\/PDEBench\">pdebench<\/a> pueden proporcionar problemas de referencia estandarizados.<\/p>\n<h3>Cuando los datos experimentales no est\u00e1n disponibles<\/h3>\n<p>Los datos experimentales de alta calidad no siempre est\u00e1n disponibles. En ese caso, a\u00fan puede crear evidencia de validaci\u00f3n utilizando las mejores alternativas disponibles.<\/p>\n<ol>\n<li>Utilice soluciones de referencia de alta fidelidad, como DNS para flujos turbulentos, cuando est\u00e9n disponibles.<\/li>\n<li>Comparar con soluciones anal\u00edticas para casos simplificados.<\/li>\n<li>Realice comparaciones de c\u00f3digos cruzados con c\u00f3digos independientes y bien verificados.<\/li>\n<li>Sea transparente sobre la limitaci\u00f3n y caracterice la incertidumbre predictiva a trav\u00e9s del an\u00e1lisis de sensibilidad.<\/li>\n<\/ol>\n<h3>Estrategia de validaci\u00f3n jer\u00e1rquica<\/h3>\n<p>Una estrategia de validaci\u00f3n pr\u00e1ctica debe ser jer\u00e1rquica.<\/p>\n<ol>\n<li>Comience con problemas de referencia simples que a\u00edslen la f\u00edsica espec\u00edfica.<\/li>\n<li>Construya la complejidad a trav\u00e9s de pruebas a nivel de sistema que combinan varios fen\u00f3menos.<\/li>\n<li>Documente los problemas de validaci\u00f3n, los resultados, las m\u00e9tricas de error y las conclusiones sobre la adecuaci\u00f3n para el uso previsto.<\/li>\n<\/ol>\n<p>Un modelo rara vez se valida perfectamente. Se valida con un cierto nivel de precisi\u00f3n para un uso previsto espec\u00edfico.<\/p>\n<h2>3. Cuantificaci\u00f3n de la incertidumbre: medir la confianza en las predicciones<\/h2>\n<p>La cuantificaci\u00f3n de la incertidumbre es el proceso de caracterizar, cuantificar y propagar las incertidumbres en las entradas, par\u00e1metros y aproximaciones del modelo. Ayuda a evaluar c\u00f3mo la incertidumbre afecta los resultados del modelo y la confianza en la predicci\u00f3n.<\/p>\n<p>Ning\u00fan modelo es perfecto, y todo sistema real incluye variabilidad y conocimiento incompleto. UQ te ayuda a entender no solo lo que predice el modelo, sino tambi\u00e9n qu\u00e9 tan seguro es esa predicci\u00f3n.<\/p>\n<h3>Tipos de incertidumbre<\/h3>\n<p>UQ distingue dos categor\u00edas principales de incertidumbre.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Tipo<\/th>\n<th>Lo que significa<\/th>\n<th>se puede reducir?<\/th>\n<th>ejemplos<\/th>\n<\/tr>\n<tr>\n<td>Aleatorio<\/td>\n<td>Aleatoriedad inherente en un sistema<\/td>\n<td>No, es irreductible<\/td>\n<td>Tolerancias de fabricaci\u00f3n y fluctuaciones ambientales<\/td>\n<\/tr>\n<tr>\n<td>epist\u00e9mico<\/td>\n<td>Falta de conocimiento sobre el sistema<\/td>\n<td>S\u00ed, a trav\u00e9s de m\u00e1s datos o mejores modelos<\/td>\n<td>Propiedades materiales desconocidas y condiciones iniciales no medidas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Esta distinci\u00f3n importa porque afecta la elecci\u00f3n del m\u00e9todo UQ. La incertidumbre aleatoria generalmente se describe con distribuciones de probabilidad. La incertidumbre epist\u00e9mica a menudo se puede reducir a trav\u00e9s de m\u00e1s mediciones, mejores modelos o una calibraci\u00f3n mejorada.<\/p>\n<h3>M\u00e9todos UQ: de simple a avanzado<\/h3>\n<h4>Simulaci\u00f3n Monte Carlo<\/h4>\n<p>La simulaci\u00f3n de Monte Carlo es el m\u00e9todo UQ m\u00e1s sencillo. Ejecuta repetidamente el modelo con valores de entrada muestreados aleatoriamente extra\u00eddos de distribuciones definidas. El resultado es una distribuci\u00f3n de los valores de salida.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\n# Example: propagate uncertainty in thermal conductivity.\n# Assume k = 200 W\/mK +\/- 10%, represented as a uniform distribution.\nk_samples = np.random.uniform(180, 220, size=10000)\n\n# Simplified steady-state heat transfer:\n# T = q * L \/ (k * A)\nq = 1000\nL = 0.01\nA = 1.0\n\nT = (q * L) \/ (k_samples * A)\n\nprint(f\"Mean temperature: {np.mean(T):.2f} K\")\nprint(\n    \"95% confidence interval: \"\n    f\"[{np.percentile(T, 2.5):.2f}, {np.percentile(T, 97.5):.2f}] K\"\n)\n<\/code><\/pre>\n<p>Monte Carlo es f\u00e1cil de entender e implementar. Su principal inconveniente es el costo. Si cada ejecuci\u00f3n de modelo es costosa, es posible que miles de muestras no sean pr\u00e1cticas.<\/p>\n<h4>Ampliaci\u00f3n del caos polin\u00f3mico<\/h4>\n<p>La expansi\u00f3n del caos polin\u00f3mico construye un modelo sustituto que representa la salida como funci\u00f3n polinomial de entradas inciertas. Puede ser mucho m\u00e1s eficiente que Monte Carlo de fuerza bruta cuando cada ejecuci\u00f3n de simulaci\u00f3n es costosa.<\/p>\n<p>Las herramientas de Python, como EasyVVUQ y EasySurrogate, pueden soportar el caos polinomial y los flujos de trabajo de UQ basados en sustitutos.<\/p>\n<h4>An\u00e1lisis de sensibilidad<\/h4>\n<p>El an\u00e1lisis de sensibilidad investiga c\u00f3mo la variaci\u00f3n en la salida del modelo se puede atribuir a la variaci\u00f3n en las entradas del modelo. Ayuda a identificar qu\u00e9 par\u00e1metros influyen m\u00e1s en las predicciones.<\/p>\n<p>Dos categor\u00edas principales son:<\/p>\n<ul>\n<li>An\u00e1lisis de sensibilidad local. Esto cambia una entrada a la vez mientras mantiene a otros fijos. Es simple pero no captura las interacciones de los par\u00e1metros.<\/li>\n<li>An\u00e1lisis de sensibilidad global. Esto var\u00eda todas las entradas juntas y puede dar cuenta de las interacciones. Los m\u00e9todos incluyen \u00edndices SOBOL, m\u00e9todos basados en regresi\u00f3n y m\u00e9todos basados en derivados.<\/li>\n<\/ul>\n<p>El an\u00e1lisis de sensibilidad es \u00fatil para:<\/p>\n<ol>\n<li>Priorizando la recopilaci\u00f3n de datos identificando qu\u00e9 par\u00e1metros son m\u00e1s importantes.<\/li>\n<li>Simplificando modelos mediante la fijaci\u00f3n de par\u00e1metros que tienen un impacto insignificante.<\/li>\n<li>comprender qu\u00e9 mecanismos impulsan las predicciones.<\/li>\n<\/ol>\n<h2>La tuber\u00eda VVUQ integrada: Poni\u00e9ndolo todo junto<\/h2>\n<p>Una canalizaci\u00f3n integrada de VVUQ sigue un flujo de trabajo sistem\u00e1tico.<\/p>\n<ol>\n<li>Identificar y caracterizar las incertidumbres en las entradas, los par\u00e1metros f\u00edsicos y las aproximaciones num\u00e9ricas.<\/li>\n<li>Realice la verificaci\u00f3n de c\u00f3digo y soluci\u00f3n para reducir los errores num\u00e9ricos, los errores de codificaci\u00f3n y la incertidumbre de discretizaci\u00f3n.<\/li>\n<li>Propague las incertidumbres de entrada a trav\u00e9s del modelo computacional para generar distribuciones de salida.<\/li>\n<li>Valide las predicciones del modelo contra datos experimentales controlados o resultados de referencia de confianza.<\/li>\n<li>Apoyar la toma de decisiones con resultados probabil\u00edsticos, basados en riesgos en lugar de predicciones deterministas \u00fanicas.<\/li>\n<\/ol>\n<p>En la pr\u00e1ctica, este flujo de trabajo puede ser compatible con herramientas como EasyVVUQ, FABSIM3, bibliotecas de modelado sustituto y sistemas de flujo de trabajo orientados a HPC.<\/p>\n<h2>Errores comunes de V&amp;V y c\u00f3mo evitarlos<\/h2>\n<h3>Errores de verificaci\u00f3n<\/h3>\n<ul>\n<li>Suponiendo que el c\u00f3digo est\u00e9 libre de errores. Incluso los c\u00f3digos ampliamente utilizados pueden contener errores no detectados. Las pruebas de regresi\u00f3n con casos MMS pueden detectar nuevos errores.<\/li>\n<li>descuidando la precisi\u00f3n del pedido. Sin confirmar las tasas de convergencia te\u00f3ricas, las estimaciones de error son d\u00e9biles.<\/li>\n<li>Usando la comparaci\u00f3n de c\u00f3digos cruzados como el \u00fanico m\u00e9todo de verificaci\u00f3n. Dos c\u00f3digos incorrectos pueden estar de acuerdo.<\/li>\n<li>Tratar la verificaci\u00f3n como una actividad \u00fanica. Cada cambio de c\u00f3digo significativo deber\u00eda desencadenar una reverificaci\u00f3n relevante.<\/li>\n<\/ul>\n<h3>Errores de validaci\u00f3n<\/h3>\n<ul>\n<li>Calibraci\u00f3n confusa con validaci\u00f3n. Sintonizar par\u00e1metros a los datos y luego validar contra los mismos datos infla la confianza.<\/li>\n<li>ignorando la incertidumbre experimental. Una discrepancia puede ser aceptable si la incertidumbre experimental es mayor que la diferencia.<\/li>\n<li>Extrapolando m\u00e1s all\u00e1 del r\u00e9gimen validado. No se debe confiar en un modelo validado en un r\u00e9gimen en un r\u00e9gimen muy diferente sin evidencia adicional.<\/li>\n<li>Mala documentaci\u00f3n. Sin registros de validaci\u00f3n detallados, la credibilidad de la simulaci\u00f3n es dif\u00edcil de evaluar.<\/li>\n<\/ul>\n<h3>Errores espec\u00edficos de UQ<\/h3>\n<ul>\n<li>Suponiendo que UQ es opcional. Sin l\u00edmites de incertidumbre, una simulaci\u00f3n validada a\u00fan carece de un intervalo de confianza utilizable.<\/li>\n<li>Ignorar las interacciones de los par\u00e1metros. El an\u00e1lisis de sensibilidad de una sola vez puede pasar por alto los efectos de interacci\u00f3n que capturan los m\u00e9todos globales.<\/li>\n<li>Tratar toda incertidumbre como aleatoria. Cierta incertidumbre es epist\u00e9mica y puede reducirse a trav\u00e9s de mejores datos o mejores modelos.<\/li>\n<\/ul>\n<h2>Gu\u00eda de decisiones: \u00bfCu\u00e1nto rigor VVUQ necesita?<\/h2>\n<p>El nivel de rigor VVUQ debe coincidir con las consecuencias de la falla del modelo.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Situaci\u00f3n<\/th>\n<th>Rigor recomendado<\/th>\n<th>Por qu\u00e9<\/th>\n<\/tr>\n<tr>\n<td>C\u00f3digo de Investigaci\u00f3n Acad\u00e9mica<\/td>\n<td>Verificaci\u00f3n b\u00e1sica con MMS y convergencia de malla<\/td>\n<td>Nivel m\u00ednimo aceptable para la credibilidad<\/td>\n<\/tr>\n<tr>\n<td>Resultados de simulaci\u00f3n publicados<\/td>\n<td>Verificaci\u00f3n m\u00e1s validaci\u00f3n contra puntos de referencia<\/td>\n<td>Apoya la reproducibilidad y la revisi\u00f3n por pares<\/td>\n<\/tr>\n<tr>\n<td>Decisiones de dise\u00f1o industrial<\/td>\n<td>VVUQ completo con l\u00edmites UQ<\/td>\n<td>Las opciones de dise\u00f1o y el cumplimiento pueden depender del modelo<\/td>\n<\/tr>\n<tr>\n<td>Aplicaciones de seguridad cr\u00edtica<\/td>\n<td>Marco de estilo ASME con revisi\u00f3n independiente<\/td>\n<td>Los riesgos regulatorios y de responsabilidad son altos<\/td>\n<\/tr>\n<tr>\n<td>Sustituto de aprendizaje autom\u00e1tico<\/td>\n<td>Verificaci\u00f3n de precisi\u00f3n sustituta m\u00e1s UQ de l\u00edmites de predicci\u00f3n<\/td>\n<td>El error sustituto debe ser cuantificado<\/td>\n<\/tr>\n<tr>\n<td>Mantenimiento de c\u00f3digo o correcciones de errores<\/td>\n<td>Pruebas MMS dirigidas para m\u00f3dulos afectados<\/td>\n<td>Verificaci\u00f3n rentable para las rutas de c\u00f3digo modificadas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>El resultado final es simple: el rigor VVUQ debe coincidir con las consecuencias del fracaso. El c\u00f3digo acad\u00e9mico necesita verificaci\u00f3n b\u00e1sica. Los resultados publicados necesitan una validaci\u00f3n m\u00e1s fuerte. Las aplicaciones industriales y de seguridad requieren una VVUQ integral y documentada.<\/p>\n<h2>Resumen y pr\u00f3ximos pasos<\/h2>\n<p>La verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre no son extras opcionales. Son partes centrales de la simulaci\u00f3n cient\u00edfica cre\u00edble.<\/p>\n<p>Una tuber\u00eda VVUQ pr\u00e1ctica debe seguir esta secuencia:<\/p>\n<ol>\n<li>Comience con la verificaci\u00f3n de c\u00f3digo utilizando MMS y solicite pruebas de precisi\u00f3n.<\/li>\n<li>Cuantificar errores num\u00e9ricos a trav\u00e9s de la verificaci\u00f3n de la soluci\u00f3n para las series de producci\u00f3n.<\/li>\n<li>Construya evidencia de validaci\u00f3n con problemas de referencia y datos independientes.<\/li>\n<li>Agregue la cuantificaci\u00f3n de la incertidumbre para informar los l\u00edmites de confianza en las predicciones.<\/li>\n<li>Siga est\u00e1ndares como ASME VVUQ para estructurar el proceso y comunicar el rigor.<\/li>\n<\/ol>\n<p>Incluso un programa b\u00e1sico de VVUQ, como las pruebas MMS, la convergencia de malla y un m\u00e9todo UQ, pueden aumentar dr\u00e1sticamente la confianza en los resultados de la simulaci\u00f3n y detectar errores de forma temprana.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para temas relacionados en flujos de trabajo de simulaci\u00f3n cient\u00edfica en Matforge:<\/p>\n<ul>\n<li><a href=\"\/python-debugging-scientific-code-print-statements-profiling\/\">Depuraci\u00f3n de Python para c\u00f3digo cient\u00edfico: desde declaraciones impresas hasta perfiles<\/a><\/li>\n<li><a href=\"\/when-to-use-fem-fvm-fdm\/\">Cu\u00e1ndo usar FEM, FVM o FDM: una comparaci\u00f3n pr\u00e1ctica para principiantes<\/a><\/li>\n<li><a href=\"\/monte-carlo-methods-for-scientific-simulations\/\">M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python<\/a><\/li>\n<\/ul>\n<h2>Referencias y lectura adicional<\/h2>\n<ul>\n<li>Roy, C. J. (2005). Revisi\u00f3n de los procedimientos de verificaci\u00f3n de c\u00f3digo y soluci\u00f3n para la simulaci\u00f3n computacional. Revista de F\u00edsica Computacional.<\/li>\n<li>Oberkampf, W. L., &amp; Roy, C. J. (2010). Verificaci\u00f3n y validaci\u00f3n en computaci\u00f3n cient\u00edfica. Prensa de la Universidad de Cambridge.<\/li>\n<li>Portafolio de est\u00e1ndares ASME VVUQ: <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/verification-validation-and-uncertainty-quantification-terminology-in-computational-modeling-and-simulation\/2022\/pdf\">vvuq 1<\/a>, <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/standard-for-verification-and-validation-in-computational-solid-mechanics\">v&amp;v 10<\/a>, <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer\">v&amp;v 20<\/a><\/li>\n<li>Osti: <a href=\"https:\/\/www.osti.gov\/servlets\/purl\/1111312\">Introducci\u00f3n a la verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de incertidumbre<\/a><\/li>\n<\/ul>\n","protected":false,"raw":"<p>Necesita saber dos cosas diferentes sobre una simulaci\u00f3n: si el c\u00f3digo resuelve las ecuaciones correctamente y si el modelo es lo suficientemente preciso para el problema del mundo real. La primera pregunta es la verificaci\u00f3n. La segunda pregunta es la validaci\u00f3n.<\/p>\n<p>Pero eso no es suficiente. Tambi\u00e9n debe comprender cu\u00e1nto puede confiar en los n\u00fameros que produce su simulaci\u00f3n. Ah\u00ed es donde la cuantificaci\u00f3n de incertidumbre entra en el flujo de trabajo.<\/p>\n<p>Esta gu\u00eda explica el marco VVUQ completo: verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de incertidumbre. Tambi\u00e9n incluye ejemplos pr\u00e1cticos de Python y Fipy que pueden ayudarlo a aplicar estas ideas en su propio trabajo de simulaci\u00f3n.<\/p>\n<h2 id=\"key-takeaways\">Comida clave<\/h2>\n<ul>\n<li>La verificaci\u00f3n responde a la pregunta: \u00bfResolvimos bien las ecuaciones? Comprueba la correcci\u00f3n del c\u00f3digo, la precisi\u00f3n num\u00e9rica y los errores de implementaci\u00f3n.<\/li>\n<li>La validaci\u00f3n responde a la pregunta: \u00bfResolvimos las ecuaciones correctas? Compara la salida de simulaci\u00f3n con datos experimentales, datos de referencia o resultados de referencia confiables.<\/li>\n<li>La cuantificaci\u00f3n de la incertidumbre responde a la pregunta: \u00bfCu\u00e1nto podemos confiar en estos resultados? Propaga incertidumbres de entrada a trav\u00e9s del modelo e informa l\u00edmites de confianza en las predicciones.<\/li>\n<li>UQ a menudo se menciona en las discusiones de V&amp;V, pero rara vez se implementa con ejemplos pr\u00e1cticos de Python. Esta gu\u00eda da puntos de partida concretos.<\/li>\n<li>La cartera de est\u00e1ndares ASME VVUQ proporciona una estructura ampliamente adoptada para los flujos de trabajo de VVUQ en todas las disciplinas computacionales.<\/li>\n<\/ul>\n<h2>Verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de la incertidumbre: por qu\u00e9 pertenecen juntos<\/h2>\n<p>Si alguna vez ha ejecutado una simulaci\u00f3n y le pregunt\u00f3 si puede confiar en los resultados, ya se encontr\u00f3 con el problema que aborda VVUQ.<\/p>\n<p>La verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre no son tareas separadas que complete de forma independiente. Forman una canalizaci\u00f3n de credibilidad:<\/p>\n<ol>\n<li>La verificaci\u00f3n demuestra que el c\u00f3digo es matem\u00e1tica y computacionalmente correcto.<\/li>\n<li>La validaci\u00f3n comprueba si el modelo representa el sistema real lo suficientemente bien para el uso previsto.<\/li>\n<li>La cuantificaci\u00f3n de la incertidumbre te dice qu\u00e9 tan seguro puedes estar en las predicciones.<\/li>\n<\/ol>\n<p>El marco ASME VVUQ formaliza esta canalizaci\u00f3n en un flujo de trabajo estructurado que se utiliza en mec\u00e1nica de s\u00f3lidos computacional, din\u00e1mica de fluidos, dispositivos m\u00e9dicos y otros campos pesados de simulaci\u00f3n. <a href=\"https:\/\/www.asme.org\/codes-standards\/publications-information\/verification-validation-uncertainty\">asme vvuq<\/a><\/p>\n<p>La distinci\u00f3n entre verificaci\u00f3n y validaci\u00f3n a menudo se resume a trav\u00e9s de dos preguntas.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Pregunta<\/th>\n<th>Lo que significa<\/th>\n<th>lo que est\u00e1s comprobando<\/th>\n<\/tr>\n<tr>\n<td>\u00bfEstamos resolviendo bien las ecuaciones?<\/td>\n<td>Verificaci\u00f3n<\/td>\n<td>Errores de codificaci\u00f3n, errores num\u00e9ricos y errores de discretizaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>\u00bfEstamos resolviendo las ecuaciones correctas?<\/td>\n<td>Validaci\u00f3n<\/td>\n<td>Precisi\u00f3n del modelo f\u00edsico, condiciones de contorno y suposiciones<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>La tercera pregunta es: \u00bfQu\u00e9 tan seguros podemos tener? Ah\u00ed es donde la cuantificaci\u00f3n de la incertidumbre entra en el proceso.<\/p>\n<p>Una simulaci\u00f3n se puede verificar y validar, pero a\u00fan as\u00ed producir predicciones con amplios intervalos de incertidumbre. Si esos intervalos son demasiado amplios, es posible que el resultado no sea \u00fatil para el dise\u00f1o, la regulaci\u00f3n o la toma de decisiones.<\/p>\n<h2>1. Verificaci\u00f3n: Demostrar que su c\u00f3digo es correcto<\/h2>\n<p>La verificaci\u00f3n es matem\u00e1tica y computacional. No prueba el mundo real directamente. En cambio, asume que las ecuaciones de gobierno son correctas y pregunta si el programa inform\u00e1tico las resuelve sin errores num\u00e9ricos o de implementaci\u00f3n.<\/p>\n<p>Hay dos aspectos principales de la verificaci\u00f3n: verificaci\u00f3n de c\u00f3digo y orden de prueba de precisi\u00f3n.<\/p>\n<h3>Verificaci\u00f3n de c\u00f3digo: \u00bfLa implementaci\u00f3n coincidi\u00f3 con las matem\u00e1ticas?<\/h3>\n<p>La verificaci\u00f3n de c\u00f3digo demuestra que el solucionador implementa correctamente el modelo matem\u00e1tico. Dos m\u00e9todos ampliamente utilizados son el m\u00e9todo de soluciones fabricadas y el orden de las pruebas de precisi\u00f3n.<\/p>\n<h4>M\u00e9todo de soluciones manufacturadas<\/h4>\n<p>El m\u00e9todo de soluciones manufacturadas es una de las herramientas m\u00e1s s\u00f3lidas para la verificaci\u00f3n de c\u00f3digo en la ciencia computacional. Funciona creando una soluci\u00f3n anal\u00edtica conocida, calculando el t\u00e9rmino fuente requerido y luego verificando si el c\u00f3digo reproduce esa soluci\u00f3n.<\/p>\n<p>El procedimiento es:<\/p>\n<ol>\n<li>Elija una soluci\u00f3n anal\u00edtica suave, como <code>u_m = sin(x) * cos(y) * exp(-t)<\/code>.<\/li>\n<li>Sustituya la soluci\u00f3n manufacturada en el operador de PDE para calcular el t\u00e9rmino fuente requerido.<\/li>\n<li>Ejecute la simulaci\u00f3n con el t\u00e9rmino fuente manufacturado y el l\u00edmite o las condiciones iniciales coincidentes.<\/li>\n<li>Compare la soluci\u00f3n num\u00e9rica con la soluci\u00f3n fabricada exacta.<\/li>\n<li>Ejecute estudios de refinamiento de malla para verificar que el orden de convergencia observado coincida con el orden te\u00f3rico.<\/li>\n<\/ol>\n<p>Aqu\u00ed hay un ejemplo simplificado de estilo fipy para un problema de difusi\u00f3n transitoria:<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom fipy import Grid2D, CellVariable, TransientTerm, DiffusionTerm\n\n# Manufactured solution:\n# u(x, y, t) = sin(pi*x) * sin(pi*y) * exp(-2*pi^2*t)\n\nnx, ny = 32, 32\nLx, Ly = 1.0, 1.0\n\ndx = Lx \/ nx\ndy = Ly \/ ny\n\nmesh = Grid2D(nx=nx, ny=ny, dx=dx, dy=dy)\n\nx, y = mesh.cellCenters\n\nu = CellVariable(name=\"u\", mesh=mesh, hasOld=True)\n\ndef exact_solution(t):\n    return np.sin(np.pi * x) * np.sin(np.pi * y) * np.exp(-2 * np.pi**2 * t)\n\n# Initial condition\nu.setValue(exact_solution(0.0))\n\n# For this manufactured solution and diffusion coefficient 1:\n# du\/dt = Laplacian(u), so the source term is zero.\nsource = CellVariable(name=\"source\", mesh=mesh, value=0.0)\n\neq = TransientTerm(var=u) == DiffusionTerm(coeff=1.0, var=u) + source\n\ndt = 0.001\nnt = 100\n\nfor step in range(nt):\n    u.updateOld()\n    eq.solve(var=u, dt=dt)\n\nt_final = dt * nt\nexact = exact_solution(t_final)\n\nl2_error = np.sqrt(np.mean((u.value - exact) ** 2))\n\nprint(f\"L2 error at t={t_final:.3f}: {l2_error:.6e}\")\n<\/code><\/pre>\n<p>Si reduce a la mitad el tama\u00f1o de la malla y el error se reduce en aproximadamente un factor de cuatro, un esquema de segundo orden se est\u00e1 comportando como se esperaba. Si no lo hace, la implementaci\u00f3n puede contener un error o el tratamiento de l\u00edmites puede reducir el orden observado.<\/p>\n<h4>Orden de prueba de precisi\u00f3n<\/h4>\n<p>El orden de las pruebas de precisi\u00f3n verifica que el c\u00f3digo alcance la tasa de convergencia esperada bajo el refinamiento de la malla.<\/p>\n<p>Para un esquema de volumen finito de segundo orden, la reducci\u00f3n a la mitad del espaciado de malla deber\u00eda reducir el error en aproximadamente un factor de cuatro.<\/p>\n<p>El procedimiento es:<\/p>\n<ol>\n<li>Elija un problema con una soluci\u00f3n exacta conocida, ya sea de MMS o de una referencia de libro de texto.<\/li>\n<li>Resuelva el problema en una secuencia de mallas refinadas, como 32\u00d732, 64\u00d764 y 128\u00d7128.<\/li>\n<li>Calcule una norma de error en cada nivel de refinamiento, como L1, L2 o L\u221e.<\/li>\n<li>Error de trazado frente al tama\u00f1o de la malla en un gr\u00e1fico logar\u00edtmico.<\/li>\n<li>Calcule el orden observado con <code>order = log(e_coarse \/ e_fine) \/ log(h_coarse \/ h_fine)<\/code>.<\/li>\n<li>Verifique que el orden observado coincida con el orden de discretizaci\u00f3n te\u00f3rica dentro de una tolerancia razonable.<\/li>\n<\/ol>\n<p>Este es un requisito m\u00ednimo para cualquier c\u00f3digo PDE que reclame la correcci\u00f3n num\u00e9rica. Sin \u00e9l, las estimaciones de errores y las conclusiones de la convergencia de malla son d\u00e9biles.<\/p>\n<h4>Advertencia importante sobre la comparaci\u00f3n de c\u00f3digos cruzados<\/h4>\n<p>La comparaci\u00f3n de dos c\u00f3digos diferentes puede ser \u00fatil como control de cordura, pero no sustituye a la verificaci\u00f3n frente a soluciones anal\u00edticas o manufacturadas.<\/p>\n<p>Dos c\u00f3digos pueden estar de acuerdo y seguir siendo err\u00f3neos si ambos comparten el mismo error sistem\u00e1tico. La comparaci\u00f3n de c\u00f3digos cruzados debe utilizarse como una verificaci\u00f3n suplementaria despu\u00e9s de una prueba de pedido o MMS adecuada.<\/p>\n<h2>2. Validaci\u00f3n: comparar simulaciones con la realidad<\/h2>\n<p>La validaci\u00f3n eval\u00faa si el modelo de simulaci\u00f3n es lo suficientemente preciso para su uso previsto. Lo hace comparando predicciones con datos experimentales independientes, datos de referencia o resultados de referencia confiables.<\/p>\n<p>Una regla clave es que la calibraci\u00f3n y la validaci\u00f3n deben estar separadas. Calibration adjusts model parameters to match data. La validaci\u00f3n prueba el poder predictivo de los datos independientes. El uso del mismo conjunto de datos para ambos crea confianza artificial.<\/p>\n<h3>Problemas de referencia como objetivos de validaci\u00f3n<\/h3>\n<p>Los problemas de referencia son casos de prueba estandarizados con datos de referencia experimentales o de alta fidelidad bien caracterizados. Proporcionan objetivos de validaci\u00f3n objetiva.<\/p>\n<p>Las categor\u00edas comunes de referencia incluyen:<\/p>\n<ul>\n<li>Din\u00e1mica de fluidos, como el flujo m\u00e1s all\u00e1 de un cilindro o flujo de cavidad impulsado por la tapa.<\/li>\n<li>Ecuaciones de transporte, como la advecci\u00f3n-difusi\u00f3n 1D con un comportamiento anal\u00edtico conocido.<\/li>\n<li>Los modelos de campo de fase, como los patrones de Allen-Cahn o Cahn-Hilliard en comparaci\u00f3n con el comportamiento de referencia.<\/li>\n<li>Sistemas de reacci\u00f3n de difusi\u00f3n, como la validaci\u00f3n de la velocidad de la onda Fisher-Kpp.<\/li>\n<\/ul>\n<p>Para el modelado de materiales computacionales y el aprendizaje autom\u00e1tico basado en PDE, los conjuntos de datos de referencia como <a href=\"https:\/\/github.com\/pdebench\/PDEBench\">pdebench<\/a> pueden proporcionar problemas de referencia estandarizados.<\/p>\n<h3>Cuando los datos experimentales no est\u00e1n disponibles<\/h3>\n<p>Los datos experimentales de alta calidad no siempre est\u00e1n disponibles. En ese caso, a\u00fan puede crear evidencia de validaci\u00f3n utilizando las mejores alternativas disponibles.<\/p>\n<ol>\n<li>Utilice soluciones de referencia de alta fidelidad, como DNS para flujos turbulentos, cuando est\u00e9n disponibles.<\/li>\n<li>Comparar con soluciones anal\u00edticas para casos simplificados.<\/li>\n<li>Realice comparaciones de c\u00f3digos cruzados con c\u00f3digos independientes y bien verificados.<\/li>\n<li>Sea transparente sobre la limitaci\u00f3n y caracterice la incertidumbre predictiva a trav\u00e9s del an\u00e1lisis de sensibilidad.<\/li>\n<\/ol>\n<h3>Estrategia de validaci\u00f3n jer\u00e1rquica<\/h3>\n<p>Una estrategia de validaci\u00f3n pr\u00e1ctica debe ser jer\u00e1rquica.<\/p>\n<ol>\n<li>Comience con problemas de referencia simples que a\u00edslen la f\u00edsica espec\u00edfica.<\/li>\n<li>Construya la complejidad a trav\u00e9s de pruebas a nivel de sistema que combinan varios fen\u00f3menos.<\/li>\n<li>Documente los problemas de validaci\u00f3n, los resultados, las m\u00e9tricas de error y las conclusiones sobre la adecuaci\u00f3n para el uso previsto.<\/li>\n<\/ol>\n<p>Un modelo rara vez se valida perfectamente. Se valida con un cierto nivel de precisi\u00f3n para un uso previsto espec\u00edfico.<\/p>\n<h2>3. Cuantificaci\u00f3n de la incertidumbre: medir la confianza en las predicciones<\/h2>\n<p>La cuantificaci\u00f3n de la incertidumbre es el proceso de caracterizar, cuantificar y propagar las incertidumbres en las entradas, par\u00e1metros y aproximaciones del modelo. Ayuda a evaluar c\u00f3mo la incertidumbre afecta los resultados del modelo y la confianza en la predicci\u00f3n.<\/p>\n<p>Ning\u00fan modelo es perfecto, y todo sistema real incluye variabilidad y conocimiento incompleto. UQ te ayuda a entender no solo lo que predice el modelo, sino tambi\u00e9n qu\u00e9 tan seguro es esa predicci\u00f3n.<\/p>\n<h3>Tipos de incertidumbre<\/h3>\n<p>UQ distingue dos categor\u00edas principales de incertidumbre.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Tipo<\/th>\n<th>Lo que significa<\/th>\n<th>se puede reducir?<\/th>\n<th>ejemplos<\/th>\n<\/tr>\n<tr>\n<td>Aleatorio<\/td>\n<td>Aleatoriedad inherente en un sistema<\/td>\n<td>No, es irreductible<\/td>\n<td>Tolerancias de fabricaci\u00f3n y fluctuaciones ambientales<\/td>\n<\/tr>\n<tr>\n<td>epist\u00e9mico<\/td>\n<td>Falta de conocimiento sobre el sistema<\/td>\n<td>S\u00ed, a trav\u00e9s de m\u00e1s datos o mejores modelos<\/td>\n<td>Propiedades materiales desconocidas y condiciones iniciales no medidas<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>Esta distinci\u00f3n importa porque afecta la elecci\u00f3n del m\u00e9todo UQ. La incertidumbre aleatoria generalmente se describe con distribuciones de probabilidad. La incertidumbre epist\u00e9mica a menudo se puede reducir a trav\u00e9s de m\u00e1s mediciones, mejores modelos o una calibraci\u00f3n mejorada.<\/p>\n<h3>M\u00e9todos UQ: de simple a avanzado<\/h3>\n<h4>Simulaci\u00f3n Monte Carlo<\/h4>\n<p>La simulaci\u00f3n de Monte Carlo es el m\u00e9todo UQ m\u00e1s sencillo. Ejecuta repetidamente el modelo con valores de entrada muestreados aleatoriamente extra\u00eddos de distribuciones definidas. El resultado es una distribuci\u00f3n de los valores de salida.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\n# Example: propagate uncertainty in thermal conductivity.\n# Assume k = 200 W\/mK +\/- 10%, represented as a uniform distribution.\nk_samples = np.random.uniform(180, 220, size=10000)\n\n# Simplified steady-state heat transfer:\n# T = q * L \/ (k * A)\nq = 1000\nL = 0.01\nA = 1.0\n\nT = (q * L) \/ (k_samples * A)\n\nprint(f\"Mean temperature: {np.mean(T):.2f} K\")\nprint(\n    \"95% confidence interval: \"\n    f\"[{np.percentile(T, 2.5):.2f}, {np.percentile(T, 97.5):.2f}] K\"\n)\n<\/code><\/pre>\n<p>Monte Carlo es f\u00e1cil de entender e implementar. Su principal inconveniente es el costo. Si cada ejecuci\u00f3n de modelo es costosa, es posible que miles de muestras no sean pr\u00e1cticas.<\/p>\n<h4>Ampliaci\u00f3n del caos polin\u00f3mico<\/h4>\n<p>La expansi\u00f3n del caos polin\u00f3mico construye un modelo sustituto que representa la salida como funci\u00f3n polinomial de entradas inciertas. Puede ser mucho m\u00e1s eficiente que Monte Carlo de fuerza bruta cuando cada ejecuci\u00f3n de simulaci\u00f3n es costosa.<\/p>\n<p>Las herramientas de Python, como EasyVVUQ y EasySurrogate, pueden soportar el caos polinomial y los flujos de trabajo de UQ basados en sustitutos.<\/p>\n<h4>An\u00e1lisis de sensibilidad<\/h4>\n<p>El an\u00e1lisis de sensibilidad investiga c\u00f3mo la variaci\u00f3n en la salida del modelo se puede atribuir a la variaci\u00f3n en las entradas del modelo. Ayuda a identificar qu\u00e9 par\u00e1metros influyen m\u00e1s en las predicciones.<\/p>\n<p>Dos categor\u00edas principales son:<\/p>\n<ul>\n<li>An\u00e1lisis de sensibilidad local. Esto cambia una entrada a la vez mientras mantiene a otros fijos. Es simple pero no captura las interacciones de los par\u00e1metros.<\/li>\n<li>An\u00e1lisis de sensibilidad global. Esto var\u00eda todas las entradas juntas y puede dar cuenta de las interacciones. Los m\u00e9todos incluyen \u00edndices SOBOL, m\u00e9todos basados en regresi\u00f3n y m\u00e9todos basados en derivados.<\/li>\n<\/ul>\n<p>El an\u00e1lisis de sensibilidad es \u00fatil para:<\/p>\n<ol>\n<li>Priorizando la recopilaci\u00f3n de datos identificando qu\u00e9 par\u00e1metros son m\u00e1s importantes.<\/li>\n<li>Simplificando modelos mediante la fijaci\u00f3n de par\u00e1metros que tienen un impacto insignificante.<\/li>\n<li>comprender qu\u00e9 mecanismos impulsan las predicciones.<\/li>\n<\/ol>\n<h2>La tuber\u00eda VVUQ integrada: Poni\u00e9ndolo todo junto<\/h2>\n<p>Una canalizaci\u00f3n integrada de VVUQ sigue un flujo de trabajo sistem\u00e1tico.<\/p>\n<ol>\n<li>Identificar y caracterizar las incertidumbres en las entradas, los par\u00e1metros f\u00edsicos y las aproximaciones num\u00e9ricas.<\/li>\n<li>Realice la verificaci\u00f3n de c\u00f3digo y soluci\u00f3n para reducir los errores num\u00e9ricos, los errores de codificaci\u00f3n y la incertidumbre de discretizaci\u00f3n.<\/li>\n<li>Propague las incertidumbres de entrada a trav\u00e9s del modelo computacional para generar distribuciones de salida.<\/li>\n<li>Valide las predicciones del modelo contra datos experimentales controlados o resultados de referencia de confianza.<\/li>\n<li>Apoyar la toma de decisiones con resultados probabil\u00edsticos, basados en riesgos en lugar de predicciones deterministas \u00fanicas.<\/li>\n<\/ol>\n<p>En la pr\u00e1ctica, este flujo de trabajo puede ser compatible con herramientas como EasyVVUQ, FABSIM3, bibliotecas de modelado sustituto y sistemas de flujo de trabajo orientados a HPC.<\/p>\n<h2>Errores comunes de V&amp;V y c\u00f3mo evitarlos<\/h2>\n<h3>Errores de verificaci\u00f3n<\/h3>\n<ul>\n<li>Suponiendo que el c\u00f3digo est\u00e9 libre de errores. Incluso los c\u00f3digos ampliamente utilizados pueden contener errores no detectados. Las pruebas de regresi\u00f3n con casos MMS pueden detectar nuevos errores.<\/li>\n<li>descuidando la precisi\u00f3n del pedido. Sin confirmar las tasas de convergencia te\u00f3ricas, las estimaciones de error son d\u00e9biles.<\/li>\n<li>Usando la comparaci\u00f3n de c\u00f3digos cruzados como el \u00fanico m\u00e9todo de verificaci\u00f3n. Dos c\u00f3digos incorrectos pueden estar de acuerdo.<\/li>\n<li>Tratar la verificaci\u00f3n como una actividad \u00fanica. Cada cambio de c\u00f3digo significativo deber\u00eda desencadenar una reverificaci\u00f3n relevante.<\/li>\n<\/ul>\n<h3>Errores de validaci\u00f3n<\/h3>\n<ul>\n<li>Calibraci\u00f3n confusa con validaci\u00f3n. Sintonizar par\u00e1metros a los datos y luego validar contra los mismos datos infla la confianza.<\/li>\n<li>ignorando la incertidumbre experimental. Una discrepancia puede ser aceptable si la incertidumbre experimental es mayor que la diferencia.<\/li>\n<li>Extrapolando m\u00e1s all\u00e1 del r\u00e9gimen validado. No se debe confiar en un modelo validado en un r\u00e9gimen en un r\u00e9gimen muy diferente sin evidencia adicional.<\/li>\n<li>Mala documentaci\u00f3n. Sin registros de validaci\u00f3n detallados, la credibilidad de la simulaci\u00f3n es dif\u00edcil de evaluar.<\/li>\n<\/ul>\n<h3>Errores espec\u00edficos de UQ<\/h3>\n<ul>\n<li>Suponiendo que UQ es opcional. Sin l\u00edmites de incertidumbre, una simulaci\u00f3n validada a\u00fan carece de un intervalo de confianza utilizable.<\/li>\n<li>Ignorar las interacciones de los par\u00e1metros. El an\u00e1lisis de sensibilidad de una sola vez puede pasar por alto los efectos de interacci\u00f3n que capturan los m\u00e9todos globales.<\/li>\n<li>Tratar toda incertidumbre como aleatoria. Cierta incertidumbre es epist\u00e9mica y puede reducirse a trav\u00e9s de mejores datos o mejores modelos.<\/li>\n<\/ul>\n<h2>Gu\u00eda de decisiones: \u00bfCu\u00e1nto rigor VVUQ necesita?<\/h2>\n<p>El nivel de rigor VVUQ debe coincidir con las consecuencias de la falla del modelo.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Situaci\u00f3n<\/th>\n<th>Rigor recomendado<\/th>\n<th>Por qu\u00e9<\/th>\n<\/tr>\n<tr>\n<td>C\u00f3digo de Investigaci\u00f3n Acad\u00e9mica<\/td>\n<td>Verificaci\u00f3n b\u00e1sica con MMS y convergencia de malla<\/td>\n<td>Nivel m\u00ednimo aceptable para la credibilidad<\/td>\n<\/tr>\n<tr>\n<td>Resultados de simulaci\u00f3n publicados<\/td>\n<td>Verificaci\u00f3n m\u00e1s validaci\u00f3n contra puntos de referencia<\/td>\n<td>Apoya la reproducibilidad y la revisi\u00f3n por pares<\/td>\n<\/tr>\n<tr>\n<td>Decisiones de dise\u00f1o industrial<\/td>\n<td>VVUQ completo con l\u00edmites UQ<\/td>\n<td>Las opciones de dise\u00f1o y el cumplimiento pueden depender del modelo<\/td>\n<\/tr>\n<tr>\n<td>Aplicaciones de seguridad cr\u00edtica<\/td>\n<td>Marco de estilo ASME con revisi\u00f3n independiente<\/td>\n<td>Los riesgos regulatorios y de responsabilidad son altos<\/td>\n<\/tr>\n<tr>\n<td>Sustituto de aprendizaje autom\u00e1tico<\/td>\n<td>Verificaci\u00f3n de precisi\u00f3n sustituta m\u00e1s UQ de l\u00edmites de predicci\u00f3n<\/td>\n<td>El error sustituto debe ser cuantificado<\/td>\n<\/tr>\n<tr>\n<td>Mantenimiento de c\u00f3digo o correcciones de errores<\/td>\n<td>Pruebas MMS dirigidas para m\u00f3dulos afectados<\/td>\n<td>Verificaci\u00f3n rentable para las rutas de c\u00f3digo modificadas<\/td>\n<\/tr>\n<\/tbody><\/table>\n<p>El resultado final es simple: el rigor VVUQ debe coincidir con las consecuencias del fracaso. El c\u00f3digo acad\u00e9mico necesita verificaci\u00f3n b\u00e1sica. Los resultados publicados necesitan una validaci\u00f3n m\u00e1s fuerte. Las aplicaciones industriales y de seguridad requieren una VVUQ integral y documentada.<\/p>\n<h2>Resumen y pr\u00f3ximos pasos<\/h2>\n<p>La verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre no son extras opcionales. Son partes centrales de la simulaci\u00f3n cient\u00edfica cre\u00edble.<\/p>\n<p>Una tuber\u00eda VVUQ pr\u00e1ctica debe seguir esta secuencia:<\/p>\n<ol>\n<li>Comience con la verificaci\u00f3n de c\u00f3digo utilizando MMS y solicite pruebas de precisi\u00f3n.<\/li>\n<li>Cuantificar errores num\u00e9ricos a trav\u00e9s de la verificaci\u00f3n de la soluci\u00f3n para las series de producci\u00f3n.<\/li>\n<li>Construya evidencia de validaci\u00f3n con problemas de referencia y datos independientes.<\/li>\n<li>Agregue la cuantificaci\u00f3n de la incertidumbre para informar los l\u00edmites de confianza en las predicciones.<\/li>\n<li>Siga est\u00e1ndares como ASME VVUQ para estructurar el proceso y comunicar el rigor.<\/li>\n<\/ol>\n<p>Incluso un programa b\u00e1sico de VVUQ, como las pruebas MMS, la convergencia de malla y un m\u00e9todo UQ, pueden aumentar dr\u00e1sticamente la confianza en los resultados de la simulaci\u00f3n y detectar errores de forma temprana.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<p>Para temas relacionados en flujos de trabajo de simulaci\u00f3n cient\u00edfica en Matforge:<\/p>\n<ul>\n<li><a href=\"\/python-debugging-scientific-code-print-statements-profiling\/\">Depuraci\u00f3n de Python para c\u00f3digo cient\u00edfico: desde declaraciones impresas hasta perfiles<\/a><\/li>\n<li><a href=\"\/when-to-use-fem-fvm-fdm\/\">Cu\u00e1ndo usar FEM, FVM o FDM: una comparaci\u00f3n pr\u00e1ctica para principiantes<\/a><\/li>\n<li><a href=\"\/monte-carlo-methods-for-scientific-simulations\/\">M\u00e9todos de Monte Carlo para simulaciones cient\u00edficas: una gu\u00eda de Python<\/a><\/li>\n<\/ul>\n<h2>Referencias y lectura adicional<\/h2>\n<ul>\n<li>Roy, C. J. (2005). Revisi\u00f3n de los procedimientos de verificaci\u00f3n de c\u00f3digo y soluci\u00f3n para la simulaci\u00f3n computacional. Revista de F\u00edsica Computacional.<\/li>\n<li>Oberkampf, W. L., &amp; Roy, C. J. (2010). Verificaci\u00f3n y validaci\u00f3n en computaci\u00f3n cient\u00edfica. Prensa de la Universidad de Cambridge.<\/li>\n<li>Portafolio de est\u00e1ndares ASME VVUQ: <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/verification-validation-and-uncertainty-quantification-terminology-in-computational-modeling-and-simulation\/2022\/pdf\">vvuq 1<\/a>, <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/standard-for-verification-and-validation-in-computational-solid-mechanics\">v&amp;v 10<\/a>, <a href=\"https:\/\/www.asme.org\/codes-standards\/find-codes-standards\/standard-for-verification-and-validation-in-computational-fluid-dynamics-and-heat-transfer\">v&amp;v 20<\/a><\/li>\n<li>Osti: <a href=\"https:\/\/www.osti.gov\/servlets\/purl\/1111312\">Introducci\u00f3n a la verificaci\u00f3n, validaci\u00f3n y cuantificaci\u00f3n de incertidumbre<\/a><\/li>\n<\/ul>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Necesita saber dos cosas diferentes sobre una simulaci\u00f3n: si el c\u00f3digo resuelve las ecuaciones correctamente y si el modelo es lo suficientemente preciso para el problema del mundo real. La primera pregunta es la verificaci\u00f3n. La segunda pregunta es la validaci\u00f3n. Pero eso no es suficiente. Tambi\u00e9n debe comprender cu\u00e1nto puede confiar en los n\u00fameros [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"es_ES","_original_post":"https:\/\/matforge.org\/?p=349","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-559","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","es-ES"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Verificaci\u00f3n frente a validaci\u00f3n en simulaciones<\/title>\n<meta name=\"description\" content=\"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Verificaci\u00f3n frente a validaci\u00f3n en simulaciones\" \/>\n<meta property=\"og:description\" content=\"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-22T08:17:36+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica\",\"datePublished\":\"2026-07-22T08:17:36+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/\"},\"wordCount\":3047,\"commentCount\":0,\"articleSection\":[\"Simulaci\u00f3n &amp; Proyectos de modelado\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/\",\"name\":\"Verificaci\u00f3n frente a validaci\u00f3n en simulaciones\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-22T08:17:36+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/verification-vs-validation-in-scientific-simulations-a-practical-guide\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Verificaci\u00f3n frente a validaci\u00f3n en simulaciones","description":"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/","og_locale":"es_ES","og_type":"article","og_title":"Verificaci\u00f3n frente a validaci\u00f3n en simulaciones","og_description":"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.","og_url":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/","og_site_name":"matforge.org","article_published_time":"2026-07-22T08:17:36+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Elena Markovska","Tiempo de lectura":"16 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica","datePublished":"2026-07-22T08:17:36+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/"},"wordCount":3047,"commentCount":0,"articleSection":["Simulaci\u00f3n &amp; Proyectos de modelado"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/","url":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/","name":"Verificaci\u00f3n frente a validaci\u00f3n en simulaciones","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-22T08:17:36+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"Aprenda la verificaci\u00f3n, la validaci\u00f3n y la cuantificaci\u00f3n de la incertidumbre para simulaciones cient\u00edficas, incluidos los MMS, la convergencia de mallas, los ejemplos de UQ y Python.","breadcrumb":{"@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/es\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/es\/"},{"@type":"ListItem","position":2,"name":"Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=559"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/559\/revisions"}],"predecessor-version":[{"id":730,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/559\/revisions\/730"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}